基于非合作博弈的无线传感器网络功率控制研究

如何提高能量的有效性是无线传感器网络（WSNs）设计的重要问题,针对WSNs在多媒体等业务中的应用,对基于码分多址（CDMA）通信方式的WSNs模型,提出一种基于非合作博弈的WSNs功率控制算法,并证明了该算法纳什均衡的存在性及唯一性.仿真结果表明,所提出的算法在设计时充分考虑了节点的剩余能量问题,因此能够很好地降低网络的总发射功率,有效地节约节点能量,延长网络的生命周期.     

一种基于认知无线电系统的公平信道分配算法*

由于在认知无线电网络中主用户与认知用户共存,如何在不对主用户造成干扰的前提下.对认知用户进行合理的资源分配显得尤为重要.以纳什协调解为优化目标,并考虑功率约束,提出一种公平信道分配算法.在仿真中,对以吞吐量最大化为目标的Maximal-Rate策略和考虑公平的Max-Min策略进行了对比,仿真结果表明.本算法有着与Ma...     

基于跨层议价博弈的认知无线电网络资源优化分配策略

如何合理分配有限的频谱资源是认知无线电网络的核心问题之一.通过对物理层功率控制和MAC层带宽分配需求的研究,建立以最大化系统吞吐量为目标的跨层优化模型.并在该模型的基础上设计一种基于跨层议价博弈的带宽与功率分配算法(Bandwidth and Power Allocation Algorithm-Cross Layer Bargaining Game,BPAA-CLBG).仿真结果表明该算法可以有效地提高认知无线电网络的频谱利用率,且在系统吞吐量方面较现有算法有明显的改善.     

基于多种群进化算法的多目标并行博弈设计

针对多目标决策问题,提出一种基于多种群进化算法的多目标并行博弈设计方法,利用Fortran语言编制了相应计算程序.将多目标设计问题描述为博弈问题,在博弈分析中,根据各博弈方在博弈次序和过程上具有同时性和独立性,采用并行计算技术.在以MPI为平台的集群环境中实现数值算例、补偿滑轮组变幅机构、拱型结构的多目标并行博弈设计.计算分析结果显示:该方法的计算精度高、收敛速度快、可以防止早熟、有较好的平衡负载能力,可有效求解多目标问题.     

商业银行网络安全的三方博弈模型

为提高银行网络系统的安全性,提出关于银行网络的三方博弈模型,其主体包括黑客、系统管理员和银行决策层。通过分析3个博弈方的行为及其之间的相互联系,为系统管理员和银行决策层的策略选择提供依据。根据该三方博弈模型的特点,将其划分成一个子博弈模型并对其进行分析,得出精炼贝叶斯纳什均衡,使系统管理员和银行决策层达到最优的策略选取。     

基于博弈论和VMI的收益共享机制协调模型

以供应商和零售商组成的二阶段供应商管理库存（ＶＭＩ）供应链系统为研究对象,考虑随机需求下的ＶＭＩ系统中可能存在的滞销成本或缺货惩罚,建立了传统、Ｓｔａｃｋｅｌｂｅｒｇ博弈、Ｎａｓｈ协商的３种收益共享机制的协调模型,并得出Ｎａｓｈ协商能完美协调分散式ＶＭＩ供应链的结论．最后,通过数值算例对相关结论进行了验证和分析．     

Pure Nash equilibria in player-specific and weighted congestion games

Unlike standard congestion games, weighted congestion games and congestion games with player-specific delay functions do not necessarily possess pure Nash equilibria. It is known, however, that there exist pure equilibria for both of these variants in the case of singleton congestion games, i.e., if the players’ strategy spaces contain only sets of cardinality one. In this paper, we investigate how far such a property on the players’ strategy spaces guaranteeing the existence of pure equilibria can be extended. We show that both weighted and player-specific congestion games admit pure equilibria in the case of matroid congestion games, i.e., if the strategy space of each player consists of the bases of a matroid on the set of resources. We also show that the matroid property is the maximal property that guarantees pure equilibria without taking into account how the strategy spaces of different players are interweaved.     

3PLS逆向物流中的利润均衡模型

为了解决逆向物流中回收产品利润的均衡问题,建立一个以回收产品为中心的面向第三方物流（3PLS）的利润均衡决策模型,从产品处理成本和再销售利润的基础上,通过不完全信息博弈论的均衡法对模型进行求解和优化,实现2个相矛盾模型的利益优化。实例证明该模型能实现3PLS利益最大化。     

山丘区小流域SCS-Nash产汇流模型应用

气候变化和人类活动影响使得部分地区水文系列资料的一致性受到影响,从而使得这些地区逐渐变成缺资料地区或无资料地区,无资料地区水文预测(PUB)问题一直是国际水文的研究热点,而山丘区的无资料小流域PUB更是其中的难点之一。分别选取了资料条件相对丰富的江苏省北部的黑林、南部的横山水库、中田舍等3个代表性的山丘区小流域,通过考虑前期30d降雨量、增加经流曲线数(curve number,CN)分级和对SCS模型的常数项进行修正,得到适用于江苏省山丘区小流域的SCS产流模型;并将其与基于地形地貌参数的Nash汇流模型结合,构建了山丘区小流域的SCS-Nash水文模型,并选取江苏中部的中田舍小流域进行验证。结果表明:构建的SCS-Nash模型具有较好的适用性,可为研究区域小流域的PUB问题提供参考。     

A Monte Carlo Neural Fictitious Self-Play approach to approximate Nash Equilibrium in imperfect-information dynamic games

Solving the optimization problem to approach a Nash Equilibrium point plays an important role in imperfect information games, e.g., StarCraft and poker. Neural Fictitious Self-Play (NFSP) is an effective algorithm that learns approximate Nash Equilibrium of imperfect-information games from purely self-play without prior domain knowledge. However, it needs to train a neural network in an off-policy manner to approximate the action values. For games with large search spaces, the training may suffer from unnecessary exploration and sometimes fails to converge. In this paper, we propose a new Neural Fictitious Self-Play algorithmthat combinesMonte Carlo tree search with NFSP, called MC-NFSP, to improve the performance in real-time zero-sum imperfect-information games. With experiments and empirical analysis, we demonstrate that the proposed MC-NFSP algorithm can approximate Nash Equilibrium in games with large-scale search depth while the NFSP can not. Furthermore, we develop an Asynchronous Neural Fictitious Self-Play framework (ANFSP). It uses asynchronous and parallel architecture to collect game experience and improve both the training efficiency and policy quality. The experiments with th e games with hidden state information (Texas Hold’em), and the FPS (firstperson shooter) games demonstrate effectiveness of our algorithms.